CN117250994B - 基于无人机追踪昆虫迁飞轨迹的方法及系统 - Google Patents
基于无人机追踪昆虫迁飞轨迹的方法及系统 Download PDFInfo
- Publication number
- CN117250994B CN117250994B CN202311513758.0A CN202311513758A CN117250994B CN 117250994 B CN117250994 B CN 117250994B CN 202311513758 A CN202311513758 A CN 202311513758A CN 117250994 B CN117250994 B CN 117250994B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- tracking
- insect
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000238631 Hexapoda Species 0.000 title claims abstract description 215
- 230000005012 migration Effects 0.000 title claims abstract description 109
- 238000013508 migration Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 118
- 238000011176 pooling Methods 0.000 claims description 42
- 230000004913 activation Effects 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 20
- 230000003213 activating effect Effects 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 239000000575 pesticide Substances 0.000 claims description 10
- 238000005507 spraying Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000009286 beneficial effect Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000007420 reactivation Effects 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 abstract description 12
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 13
- 241000219112 Cucumis Species 0.000 description 6
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 6
- 235000012055 fruits and vegetables Nutrition 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明涉及无人机调度技术领域，一种基于无人机追踪昆虫迁飞轨迹的方法及系统，包括：利用中央控制单元将追踪轨迹指令群发至初始无人机群，去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群，启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，根据昆虫迁飞情况分配每个追踪无人机的追踪任务，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元，在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。本发明可减少害虫对农业种植产业造成的损失。
Description
技术领域
本发明涉及无人机调度技术领域，尤其涉及一种基于无人机追踪昆虫迁飞轨迹的方法、电子设备及计算机可读存储介质。
背景技术
在大型农场和果园等广阔领域，手动检测瓜果和蔬菜的健康状况显然不切实际。为了应对这一挑战，采用了高清航拍的方法，通过启动无人机执行飞行任务，可以获得精确而清晰的瓜果和蔬菜的航拍高清图像，从而使农场管理人员能够有效评估植物的健康状况和生长情况。
然而，在这些广阔的农田中，自然生态系统中的昆虫群体也是大规模存在的。因此，不仅需要识别这些昆虫的种类，还需要判断它们是否对农作物造成危害。更进一步，了解危害昆虫的迁飞轨迹可以帮助确定它们在农田中的集中分布区域，这对于维护农业种植的顺利进行具有至关重要的意义。
因此，整合高清航拍技术和昆虫种类鉴别，以及危害昆虫的迁飞轨迹分析，对于现代农业的可持续发展和有效管理至关重要，有望提高农田的生产效率并最大程度地减少害虫造成的损失。
发明内容
本发明提供一种基于无人机追踪昆虫迁飞轨迹的方法，系统，电子设备，计算机可读存储介质，其主要目的在于减少害虫对农业种植产业造成的损失。
为实现上述目的，本发明提供的一种基于无人机追踪昆虫迁飞轨迹的方法，包括：
接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群；
去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成，第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成；
根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元；
在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
可选地，所述利用中央控制单元将所述追踪轨迹指令群发至初始无人机群，包括：
利用中央控制单元接收追踪轨迹指令，当中央控制单元成功接收到追踪轨迹指令后，自动生成无人机工作确认指令；
从数据库中调取目前已登记具备飞行能力的无人机的IP地址，并根据IP地址将无人机工作确认指令发送至每个具备飞行能力的无人机；
将接收到无人机工作确认指令并回传可工作回传指令的具备飞行能力的无人机确认为初始无人机，得到初始无人机群；
将追踪轨迹指令发送至初始无人机群。
可选地，所述去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群，包括：
接收预设的等待时间阈值，当中央控制单元将所述追踪轨迹指令群发至初始无人机群时，记录群发起始时间；
根据群发起始时间和等待时间阈值计算得到群发终止时间；
在群发终止时间到达后，去除未根据追踪轨迹指令回复追踪响应指令的初始无人机，并计算已根据追踪轨迹指令回复追踪响应指令的初始无人机的任务度；
去除任务度大于任务阈值的初始无人机，得到追踪无人机群。
可选地，所述计算已根据追踪轨迹指令回复追踪响应指令的初始无人机的任务度，包括：
获取初始无人机在当前时刻下的所有飞行任务集，对飞行任务集中每个飞行任务均执行如下操作：
判断飞行任务中是否明确有飞行结束时间，若飞行任务中没有明确的飞行结束时间，启动中央控制单元的任务时间分析模型；
确认没有明确的飞行结束时间的飞行任务的任务类型，在历史记录中寻找飞行任务的历史飞行数据，其中，历史飞行数据有完成该飞行任务的飞行起始时间和飞行结束时间；
根据所述任务类型、历史飞行数据利用任务时间分析模型分析得到初始无人机在当前时刻下的飞行结束时间；
根据初始无人机在当前时刻下的所有飞行任务集、每个飞行任务的飞行结束时间计算得到初始无人机的任务度。
可选地，所述根据初始无人机在当前时刻下的所有飞行任务集、每个飞行任务的飞行结束时间计算得到初始无人机的任务度，包括：
根据下式计算得到初始无人机的任务度：;
其中，表示第m个初始无人机的任务度，/>表示第m个初始无人机的飞行任务集中第n个飞行任务所需要的飞行时间，其中，飞行时间由飞行结束时间和飞行开始时间计算得到，/>表示第n个飞行任务的任务类型对应的任务度的计算权重，n表示飞行任务的数量。
可选地，所述任务类型包括拍照任务、摄像任务、追踪任务、自由巡查任务、货物运送任务及农药喷洒任务，且拍照任务、摄像任务的计算权重小于自由巡查任务，自由巡查任务的计算权重小于追踪任务、货物运送任务及农药喷洒任务。
可选地，所述利用目标检测模型与传感器集获取周围的昆虫迁飞情况，包括：
启动追踪无人机内置的监控设备，并利用监控设备捕捉到监控画面；
将监控画面作为输入数据传入至目标检测模型，得到目标检测结果，其中，目标检测结果包括有昆虫检测物和无昆虫检测物，若是有昆虫检测物，则目标检测模型会同时识别出昆虫类别及数量；
所述将监控画面作为输入数据传入至目标检测模型，得到目标检测结果，包括：
将监控画面作为输入数据传入至卷积层，在卷积层中对监控画面执行卷积操作，得到特征画面，其中，卷积操作由卷积核完成，卷积核的大小为3×3和5×5，且卷积操作的步长为2；
将特征画面中的所有特征数值在归一化层中执行归一化操作，得到多个特征归一值；
利用RELU激活层中的RELU函数计算每个特征归一值的RELU值，得到多个RELU值；
将多个RELU值和所述监控画面输入至多级残差层中执行残差连接，重构画面；
对所述重构画面在池化层中执行池化操作，得到池化画面；
在线性变化层中，对所述池化画面中的每个像素值执行线性变化，得到多个线性变化像素；
将线性变化像素输入至目标检测框生成层，利用目标检测框生成层中的VGG16模型生成目标检测结果，其中，监控画面中若有昆虫检测物，则目标检测结果为昆虫检测物的昆虫检测物的检测框；
所述将多个RELU值和所述监控画面输入至多级残差层中执行残差连接，重构画面，包括：
将监控画面输入至多级残差层的第一层结构中，按照顺序在第一层结构中的两层卷积层中执行卷积操作，得到残差卷积画面；
将残差卷积画面输入至多级残差层的第二层结构中，并在第二层的池化层中对残差卷积画面执行池化操作，得到残差池化画面；
将残差池化画面和多个RELU值在全连接层中执行对应像素的连接后，利用RELU激活层执行再次激活，得到残差激活画面；
利用全连接层将残差激活画面转为残差池化向量，并利用Sigmoid激活层对残差池化向量执行激活操作，得到残差激活向量；
将残差激活向量与监控画面在融合层中执行融合操作，得到所述重构画面；
若目标检测结果为有昆虫检测物时，同时启动追踪无人机内置的传感器集，且传感器集包括距离传感器和高度传感器；
利用距离传感器和高度传感器测量追踪无人机距离昆虫检测物的距离，及追踪无人机距离地面的距离，分别得到昆虫-无人机距离和地面-无人机距离；
将昆虫类别、数量、昆虫-无人机距离和地面-无人机距离汇总得到昆虫迁飞情况。
可选地，所述根据昆虫迁飞情况分配每个追踪无人机的追踪任务，包括：
利用所述昆虫类别识别昆虫为有益昆虫还是有害昆虫，其中，昆虫有益或有害需要根据具体的使用场景确认；
去除有益昆虫的昆虫迁飞情况，得到待追踪迁飞行任务集；
按照昆虫-无人机距离依次对待追踪迁飞行任务集中每个待追踪迁飞行任务执行任务分配，选择昆虫-无人机距离最小的追踪无人机追踪对应的有害昆虫，得到追踪任务。
为实现上述目的，本发明还提供一种基于无人机追踪昆虫迁飞轨迹的系统，包括：
追踪轨迹指令群发模块，用于接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群；
无人机筛选模块，用于去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
昆虫迁飞识别模块，用于启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成，第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成；
昆虫迁飞可视化模块，用于根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元，在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于无人机追踪昆虫迁飞轨迹的方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于无人机追踪昆虫迁飞轨迹的方法。
本发明为解决背景技术所述问题，先接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群，去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群，启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，由于使用目标检测模型和传感器集，系统能够精确地识别周围昆虫的数量、类别以及与追踪无人机的距离，这有助于确定哪些昆虫可能对农作物造成危害，此外，进一步地，根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元，根据昆虫迁飞情况，中央控制单元可以智能地分配每个追踪无人机的任务。这意味着只有在需要时才会启动追踪，避免不必要的资源浪费。只有那些被认为可能对农作物有害的昆虫会被选择进行跟踪，追踪无人机执行实时昆虫追踪任务，同时将追踪路径实时反馈到中央控制单元。这允许农场管理人员及时了解害虫的位置和活动，以便采取必要的控制措施，最后，中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹，中央控制单元汇总和可视化所有的追踪路径，这使农场管理人员能够更容易地分析和理解昆虫迁飞的轨迹。这些数据可以用于优化害虫管理策略和采取定向的农药喷洒行动，从而减少农作物受害的可能性。因此本发明提出的基于无人机追踪昆虫迁飞轨迹的方法、电子设备及计算机可读存储介质，其可以减少害虫对农业种植产业造成的损失。
附图说明
图1为本发明一实施例提供的基于无人机追踪昆虫迁飞轨迹的方法的流程示意图；
图2为本发明一实施例提供的基于无人机追踪昆虫迁飞轨迹的系统的功能模块图；
图3为本发明一实施例提供的实现所述基于无人机追踪昆虫迁飞轨迹的方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于无人机追踪昆虫迁飞轨迹的方法。所述基于无人机追踪昆虫迁飞轨迹的方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于无人机追踪昆虫迁飞轨迹的方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的基于无人机追踪昆虫迁飞轨迹的方法的流程示意图。在本实施例中，所述基于无人机追踪昆虫迁飞轨迹的方法包括：
S1、接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群。
需解释的是，本发明实施例的主要应用场景在大型农场、果园等地带。示例性的，小张为农业承包户，种植约300亩的瓜果蔬菜，由于种植园的面积庞大，人工检测300亩瓜果蔬菜的健康情况不切实际，因此需要启动无人机执行高清航拍，从而得到瓜果蔬菜的航拍高清图供小张等人鉴别瓜果蔬菜的健康情况。
但可想而知地，种植园肯定会有大量的昆虫，因此如何鉴别昆虫的种类，从而判断该昆虫对种植园是否有危害、以及有危害昆虫的迁飞轨迹从而确定有害昆虫在种植园的集中区，对于农业种植具有重要意义。因此示例性的，小张可发起对昆虫迁飞的追踪轨迹指令至所有的初始无人机群中，且为了方便管理初始无人机群及后续高效快速的生成迁飞轨迹，本发明实施例通过中央控制单元协调管理。
详细地，所述利用中央控制单元将所述追踪轨迹指令群发至初始无人机群，包括：
利用中央控制单元接收追踪轨迹指令，当中央控制单元成功接收到追踪轨迹指令后，自动生成无人机工作确认指令；
从数据库中调取目前已登记具备飞行能力的无人机的IP地址，并根据IP地址将无人机工作确认指令发送至每个具备飞行能力的无人机；
将接收到无人机工作确认指令并回传可工作回传指令的具备飞行能力的无人机确认为初始无人机，得到初始无人机群；
将追踪轨迹指令发送至初始无人机群。
示例性的，假如小张目前共有10台无人机，但其中1台由于无人机内锂电池损耗缘故已不具备飞行能力，则数据库中已登记具备飞行能力的无人机其实为9台，因此依次将无人机工作确认指令发送至9台具备飞行能力的无人机，但由于受到外在因素，如具备飞行能力的无人机此时所处环境信号接收能力差、具备飞行能力的无人机此时电池电量低等缘故，假设有2台无法回传可工作回传指令至中央控制单元，因此最后确认7台具备飞行能力的无人机为初始无人机，从而将追踪轨迹指令发送至该7台初始无人机。
S2、去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
可理解的是，由于本发明实施例在发送追踪轨迹指令至每个初始无人机之前，已发送无人机工作确认指令，因此在大部分情况下，很少出现未接收到追踪轨迹指令的初始无人机，但也不排除无人机工作确认指令至追踪轨迹指令间，无人机出现工作问题的可能性。换言之，发生任务度大于任务阈值的初始无人机的这种情况可能会大。
详细地，所述去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群，包括：
接收预设的等待时间阈值，当中央控制单元将所述追踪轨迹指令群发至初始无人机群时，记录群发起始时间；
根据群发起始时间和等待时间阈值计算得到群发终止时间；
在群发终止时间到达后，去除未根据追踪轨迹指令回复追踪响应指令的初始无人机，并计算已根据追踪轨迹指令回复追踪响应指令的初始无人机的任务度；
去除任务度大于任务阈值的初始无人机，得到追踪无人机群。
示例性的，如预设的等待时间阈值为5秒，而中央控制单元将所述追踪轨迹指令群发至初始无人机群的群发起始时间为早上9点整，则群发终止时间即为早上9点5秒。
进一步地，所述计算已根据追踪轨迹指令回复追踪响应指令的初始无人机的任务度，包括：
获取初始无人机在当前时刻下的所有飞行任务集，对飞行任务集中每个飞行任务均执行如下操作：
判断飞行任务中是否明确有飞行结束时间，若飞行任务中没有明确的飞行结束时间，启动中央控制单元的任务时间分析模型；
确认没有明确的飞行结束时间的飞行任务的任务类型，在历史记录中寻找飞行任务的历史飞行数据，其中，历史飞行数据有完成该飞行任务的飞行起始时间和飞行结束时间；
根据所述任务类型、历史飞行数据利用任务时间分析模型分析得到初始无人机在当前时刻下的飞行结束时间；
根据初始无人机在当前时刻下的所有飞行任务集、每个飞行任务的飞行结束时间计算得到初始无人机的任务度。
示例性的，如初始无人机群中共有7台初始无人机，现在第1台初始无人机共有3个飞行任务需要完成，其中第一个、第二个的飞行任务均有明确的飞行结束时间，而第三个则没有明确的飞行结束时间，因此启动中央控制单元的任务时间分析模型，获取第三个任务的任务类型。
进一步地，任务时间分析模型可使用线性回归模型、支持向量机模型等，在此不再赘述。
详细地，所述根据初始无人机在当前时刻下的所有飞行任务集、每个飞行任务的飞行结束时间计算得到初始无人机的任务度，包括：
根据下式计算得到初始无人机的任务度：;
其中，表示第m个初始无人机的任务度，/>表示第m个初始无人机的飞行任务集中第n个飞行任务所需要的飞行时间，其中，飞行时间由飞行结束时间和飞行开始时间计算得到，/>表示第n个飞行任务的任务类型对应的任务度的计算权重，n表示飞行任务的数量。
重要地，本发明实施例中任务类型包括拍照任务、摄像任务、追踪任务、自由巡查任务、货物运送任务及农药喷洒任务。且需理解的是，拍照任务、摄像任务可以在追踪任务、自由巡查任务、货物运送任务及农药喷洒任务过程中同步进行，因此拍照任务、摄像任务在计算初始无人机群的任务度时，其计算权重相对较小，而追踪任务、自由巡查任务、货物运送任务及农药喷洒任务由于具备紧急性，因此在计算初始无人机群的任务度时，其计算权重相对较大，但自由巡查任务相对于追踪任务、货物运送任务及农药喷洒任务来说，计算权重最小。
S3、启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离。
需理解的是，传统的数字图像处理所构建的目标检测模型准确性差，难以应对复杂场景下的昆虫识别，因此本发明实施例使用深度学习构建得到目标检测模型，但过于复杂的深度学习的运行过程中需要耗费大量的计算资源，若此时无人机还需要执行拍照、摄像任务，则会带来巨大负担，因此本发明实施例中，为了提高目标检测的检测准确率，同时减轻无人机的运行负担，精简化了目标检测模型，详细地，所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成；第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成。
由于本发明实施例所述的目标检测模型的结构相对简单，且运行所需的计算量相对偏小，可以适当减轻无人机的运行压力。进一步地，所述利用目标检测模型与传感器集获取周围的昆虫迁飞情况，包括：
启动追踪无人机内置的监控设备，并利用监控设备捕捉到监控画面；
将监控画面作为输入数据传入至目标检测模型，得到目标检测结果，其中，目标检测结果包括有昆虫检测物和无昆虫检测物，若是有昆虫检测物，则目标检测模型会同时识别出昆虫类别及数量；若目标检测结果为有昆虫检测物时，同时启动追踪无人机内置的传感器集，且传感器集包括距离传感器和高度传感器；
利用距离传感器和高度传感器测量追踪无人机距离昆虫检测物的距离，及追踪无人机距离地面的距离，分别得到昆虫-无人机距离和地面-无人机距离；
将昆虫类别、数量、昆虫-无人机距离和地面-无人机距离汇总得到昆虫迁飞情况。
进一步地，所述将监控画面作为输入数据传入至目标检测模型，得到目标检测结果，包括：
将监控画面作为输入数据传入至卷积层，在卷积层中对监控画面执行卷积操作，得到特征画面，其中，卷积操作由卷积核完成，卷积核的大小为3×3和5×5，且卷积操作的步长为2；
将特征画面中的所有特征数值在归一化层中执行归一化操作，得到多个特征归一值；
利用RELU激活层中的RELU函数计算每个特征归一值的RELU值，得到多个RELU值；
将多个RELU值和所述监控画面输入至多级残差层中执行残差连接，重构画面；
对所述重构画面在池化层中执行池化操作，得到池化画面；
在线性变化层中，对所述池化画面中的每个像素值执行线性变化，得到多个线性变化像素；
将线性变化像素输入至目标检测框生成层，利用目标检测框生成层中的VGG16模型生成目标检测结果，其中，监控画面中若有昆虫检测物，则目标检测结果为昆虫检测物的昆虫检测物的检测框。
需理解的是，卷积池化为本领域人员的惯常操作，但本发明实施例为了提高昆虫检测的精确度，同时还加入了残差层，残差层的目标是为了防止在卷积池化过程中目标丢失。进一步地，将多个RELU值和所述监控画面输入至多级残差层中执行残差连接，重构画面，包括：
将监控画面输入至多级残差层的第一层结构中，按照顺序在第一层结构中的两层卷积层中执行卷积操作，得到残差卷积画面；
将残差卷积画面输入至多级残差层的第二层结构中，并在第二层的池化层中对残差卷积画面执行池化操作，得到残差池化画面；
将残差池化画面和多个RELU值在全连接层中执行对应像素的连接后，利用RELU激活层执行再次激活，得到残差激活画面；
利用全连接层将残差激活画面转为残差池化向量，并利用Sigmoid激活层对残差池化向量执行激活操作，得到残差激活向量；
将残差激活向量与监控画面在融合层中执行融合操作，得到所述重构画面。
可理解的是，由于本发明实施例所使用的目标检测模型运行压力相对较小，因此可以及时识别出监控画面里是否有昆虫，进一步地，当有昆虫检测物时，利用距离传感器和高度传感器测量追踪无人机距离昆虫检测物的距离，及追踪无人机距离地面的距离，从而可有效根据昆虫-无人机-地面三者关系为后续昆虫轨迹可视化做好前置基础。
S4、根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元。
详细地，所述根据昆虫迁飞情况分配每个追踪无人机的追踪任务，包括：
利用所述昆虫类别识别昆虫为有益昆虫还是有害昆虫，其中，昆虫有益或有害需要根据具体的使用场景确认；
去除有益昆虫的昆虫迁飞情况，得到待追踪迁飞行任务集；
按照昆虫-无人机距离依次对待追踪迁飞行任务集中每个待追踪迁飞行任务执行任务分配，选择昆虫-无人机距离最小的追踪无人机追踪对应的有害昆虫，得到追踪任务。
示例性的，小张通过S1-S2步骤最终确认共有6台追踪无人机，且6台追踪无人机在执行飞行时发现，有3台发现有害昆虫轨迹，故确认每组有害昆虫与6台追踪无人机的距离，选择3台距离有害昆虫最近的追踪无人机，从而分配得到追踪任务。
S5、在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
可理解的是，中央控制单元内会汇总所有的追踪路径，然后通过VR技术虚拟出小张所在的种植园，并将昆虫的飞行轨迹同时可视化在VR场景的种植园内，生成昆虫迁飞轨迹。
本发明为解决背景技术所述问题，先接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群，去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群，启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，由于使用目标检测模型和传感器集，系统能够精确地识别周围昆虫的数量、类别以及与追踪无人机的距离，这有助于确定哪些昆虫可能对农作物造成危害，此外，进一步地，根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元，根据昆虫迁飞情况，中央控制单元可以智能地分配每个追踪无人机的任务。这意味着只有在需要时才会启动追踪，避免不必要的资源浪费。只有那些被认为可能对农作物有害的昆虫会被选择进行跟踪，追踪无人机执行实时昆虫追踪任务，同时将追踪路径实时反馈到中央控制单元。这允许农场管理人员及时了解害虫的位置和活动，以便采取必要的控制措施，最后，中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹，中央控制单元汇总和可视化所有的追踪路径，这使农场管理人员能够更容易地分析和理解昆虫迁飞的轨迹。这些数据可以用于优化害虫管理策略和采取定向的农药喷洒行动，从而减少农作物受害的可能性。因此本发明提出的基于无人机追踪昆虫迁飞轨迹的方法、电子设备及计算机可读存储介质，其可以减少害虫对农业种植产业造成的损失。
如图2所示，是本发明一实施例提供的基于无人机追踪昆虫迁飞轨迹的系统的功能模块图。
本发明所述基于无人机追踪昆虫迁飞轨迹的系统100可以安装于电子设备中。根据实现的功能，所述基于无人机追踪昆虫迁飞轨迹的系统100可以包括追踪轨迹指令群发模块101、无人机筛选模块102、昆虫迁飞识别模块103及昆虫迁飞可视化模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述追踪轨迹指令群发模块101，用于接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群；
所述无人机筛选模块102，用于去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
所述昆虫迁飞识别模块103，用于启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成，第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成；
所述昆虫迁飞可视化模块104，用于根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元，在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
详细地，本发明实施例中所述基于无人机追踪昆虫迁飞轨迹的系统100中的所述各模块在使用时采用与上述的图1中所述的基于无人机追踪昆虫迁飞轨迹的方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明一实施例提供的实现基于无人机追踪昆虫迁飞轨迹的方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线12，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于无人机追踪昆虫迁飞轨迹的方法程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于无人机追踪昆虫迁飞轨迹的方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于无人机追踪昆虫迁飞轨迹的方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线12可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理系统与所述至少一个处理器10逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于无人机追踪昆虫迁飞轨迹的方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群；
去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成，第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成；
根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元；
在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群；
去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成，第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成；
根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元；
在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述方法包括：
接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群；
去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离；
所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成，第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成；
根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元；
在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
2.如权利要求1所述的基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述利用中央控制单元将所述追踪轨迹指令群发至初始无人机群，包括：
利用中央控制单元接收追踪轨迹指令，当中央控制单元成功接收到追踪轨迹指令后，自动生成无人机工作确认指令；
从数据库中调取目前已登记具备飞行能力的无人机的IP地址，并根据IP地址将无人机工作确认指令发送至每个具备飞行能力的无人机；
将接收到无人机工作确认指令并回传可工作回传指令的具备飞行能力的无人机确认为初始无人机，得到初始无人机群；
将追踪轨迹指令发送至初始无人机群。
3.如权利要求2所述的基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群，包括：
接收预设的等待时间阈值，当中央控制单元将所述追踪轨迹指令群发至初始无人机群时，记录群发起始时间；
根据群发起始时间和等待时间阈值计算得到群发终止时间；
在群发终止时间到达后，去除未根据追踪轨迹指令回复追踪响应指令的初始无人机，并计算已根据追踪轨迹指令回复追踪响应指令的初始无人机的任务度；
去除任务度大于任务阈值的初始无人机，得到追踪无人机群。
4.如权利要求3所述的基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述计算已根据追踪轨迹指令回复追踪响应指令的初始无人机的任务度，包括：
获取初始无人机在当前时刻下的所有飞行任务集，对飞行任务集中每个飞行任务均执行如下操作：
判断飞行任务中是否明确有飞行结束时间，若飞行任务中没有明确的飞行结束时间，启动中央控制单元的任务时间分析模型；
确认没有明确的飞行结束时间的飞行任务的任务类型，在历史记录中寻找飞行任务的历史飞行数据，其中，历史飞行数据有完成该飞行任务的飞行起始时间和飞行结束时间；
根据所述任务类型、历史飞行数据利用任务时间分析模型分析得到初始无人机在当前时刻下的飞行结束时间；
根据初始无人机在当前时刻下的所有飞行任务集、每个飞行任务的飞行结束时间计算得到初始无人机的任务度。
5.如权利要求4所述的基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述根据初始无人机在当前时刻下的所有飞行任务集、每个飞行任务的飞行结束时间计算得到初始无人机的任务度，包括：
根据下式计算得到初始无人机的任务度：;
其中，表示第m个初始无人机的任务度，/>表示第m个初始无人机的飞行任务集中第n个飞行任务所需要的飞行时间，其中，飞行时间由飞行结束时间和飞行开始时间计算得到，/>表示第n个飞行任务的任务类型对应的任务度的计算权重，n表示飞行任务的数量。
6.如权利要求5所述的基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述任务类型包括拍照任务、摄像任务、追踪任务、自由巡查任务、货物运送任务及农药喷洒任务，且拍照任务、摄像任务的计算权重小于自由巡查任务，自由巡查任务的计算权重小于追踪任务、货物运送任务及农药喷洒任务。
7.如权利要求1所述的基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述利用目标检测模型与传感器集获取周围的昆虫迁飞情况，包括：
启动追踪无人机内置的监控设备，并利用监控设备捕捉到监控画面；
将监控画面作为输入数据传入至目标检测模型，得到目标检测结果，其中，目标检测结果包括有昆虫检测物和无昆虫检测物，若是有昆虫检测物，则目标检测模型会同时识别出昆虫类别及数量；
所述将监控画面作为输入数据传入至目标检测模型，得到目标检测结果，包括：
将监控画面作为输入数据传入至卷积层，在卷积层中对监控画面执行卷积操作，得到特征画面，其中，卷积操作由卷积核完成，卷积核的大小为3×3和5×5，且卷积操作的步长为2；
将特征画面中的所有特征数值在归一化层中执行归一化操作，得到多个特征归一值；
利用RELU激活层中的RELU函数计算每个特征归一值的RELU值，得到多个RELU值；
将多个RELU值和所述监控画面输入至多级残差层中执行残差连接，重构画面；
对所述重构画面在池化层中执行池化操作，得到池化画面；
在线性变化层中，对所述池化画面中的每个像素值执行线性变化，得到多个线性变化像素；
将线性变化像素输入至目标检测框生成层，利用目标检测框生成层中的VGG16模型生成目标检测结果，其中，监控画面中若有昆虫检测物，则目标检测结果为昆虫检测物的昆虫检测物的检测框；
所述将多个RELU值和所述监控画面输入至多级残差层中执行残差连接，重构画面，包括：
将监控画面输入至多级残差层的第一层结构中，按照顺序在第一层结构中的两层卷积层中执行卷积操作，得到残差卷积画面；
将残差卷积画面输入至多级残差层的第二层结构中，并在第二层的池化层中对残差卷积画面执行池化操作，得到残差池化画面；
将残差池化画面和多个RELU值在全连接层中执行对应像素的连接后，利用RELU激活层执行再次激活，得到残差激活画面；
利用全连接层将残差激活画面转为残差池化向量，并利用Sigmoid激活层对残差池化向量执行激活操作，得到残差激活向量；
将残差激活向量与监控画面在融合层中执行融合操作，得到所述重构画面；
若目标检测结果为有昆虫检测物时，同时启动追踪无人机内置的传感器集，且传感器集包括距离传感器和高度传感器；
利用距离传感器和高度传感器测量追踪无人机距离昆虫检测物的距离，及追踪无人机距离地面的距离，分别得到昆虫-无人机距离和地面-无人机距离；
将昆虫类别、数量、昆虫-无人机距离和地面-无人机距离汇总得到昆虫迁飞情况。
8.如权利要求7所述的基于无人机追踪昆虫迁飞轨迹的方法，其特征在于，所述根据昆虫迁飞情况分配每个追踪无人机的追踪任务，包括：
利用所述昆虫类别识别昆虫为有益昆虫还是有害昆虫，其中，昆虫有益或有害需要根据具体的使用场景确认；
去除有益昆虫的昆虫迁飞情况，得到待追踪迁飞行任务集；
按照昆虫-无人机距离依次对待追踪迁飞行任务集中每个待追踪迁飞行任务执行任务分配，选择昆虫-无人机距离最小的追踪无人机追踪对应的有害昆虫，得到追踪任务。
9.一种基于无人机追踪昆虫迁飞轨迹的系统，其特征在于，所述系统包括：
追踪轨迹指令群发模块，用于接收昆虫迁飞的追踪轨迹指令，利用中央控制单元将所述追踪轨迹指令群发至初始无人机群；
无人机筛选模块，用于去除初始无人机群中未接收到追踪轨迹指令的初始无人机或任务度大于任务阈值的初始无人机，得到追踪无人机群；
昆虫迁飞识别模块，用于启动追踪无人机群中每个追踪无人机内置的目标检测模型及传感器集，利用目标检测模型与传感器集获取周围的昆虫迁飞情况，其中，昆虫迁飞情况包括昆虫数量、类别、及距离追踪无人机的距离，所述目标检测模型的结构为：卷积层、归一化层、RELU激活层、多级残差层、池化层、线性变化层及目标检测框生成层，且多级残差层先后顺序共有2层结构，第一层结构由两层卷积层组成，第二层结构由池化层、全连接层、RELU激活层、全连接层、Sigmoid激活层和融合层组成，其中，融合层将第一层结构的输出数据与第二层结构的输出数据执行点乘操作，目标检测框生成层由VGG模型组成；
昆虫迁飞可视化模块，用于根据昆虫迁飞情况分配每个追踪无人机的追踪任务，当完成追踪任务的分配后，利用每个追踪无人机执行昆虫迁飞的追踪，并实时将昆虫迁飞的追踪路径反馈至中央控制单元，在中央控制单元内汇总所有的追踪路径，并可视化得到昆虫迁飞轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311513758.0A CN117250994B (zh) | 2023-11-14 | 2023-11-14 | 基于无人机追踪昆虫迁飞轨迹的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311513758.0A CN117250994B (zh) | 2023-11-14 | 2023-11-14 | 基于无人机追踪昆虫迁飞轨迹的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117250994A CN117250994A (zh) | 2023-12-19 |
| CN117250994B true CN117250994B (zh) | 2024-02-02 |
Family
ID=89129801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311513758.0A Active CN117250994B (zh) | 2023-11-14 | 2023-11-14 | 基于无人机追踪昆虫迁飞轨迹的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117250994B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117826844B (zh) * | 2024-03-04 | 2024-05-28 | 华南农业大学 | 一种基于无人机的迁飞性害虫检测跟踪和飞升抑制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940734A (zh) * | 2017-04-24 | 2017-07-11 | 南京信息工程大学 | 一种迁飞昆虫空中监测识别方法及装置 |
| CN111252246A (zh) * | 2020-02-19 | 2020-06-09 | 刘顺字 | 一种基于无人机、固定摄像模块联用的大区域病虫害防治方法 |
| CA3144397A1 (en) * | 2019-07-19 | 2021-01-28 | Mark GORSKI | An unmanned aerial vehicle (uav)-based system for collecting and distributing animal data for monitoring |
| CN113467514A (zh) * | 2021-07-22 | 2021-10-01 | 一飞智控(天津)科技有限公司 | 多无人机分布式控制系统、协同控制方法、介质、无人机编队 |
| CN114255262A (zh) * | 2021-12-15 | 2022-03-29 | 赣南师范大学 | 一种害虫消杀系统、方法、电子设备及存储介质 |
| CN114445467A (zh) * | 2021-12-21 | 2022-05-06 | 贵州大学 | 基于视觉的四旋翼无人机特定目标识别与追踪系统 |
| CN115016537A (zh) * | 2022-06-20 | 2022-09-06 | 中国人民解放军国防科技大学 | 一种seda场景下异构无人机配置与任务规划联合优化方法 |
| CN115272862A (zh) * | 2022-08-08 | 2022-11-01 | 大连理工大学人工智能大连研究院 | 一种基于音视协同的飞虫追踪识别方法与装置 |
| WO2022269078A1 (en) * | 2021-06-25 | 2022-12-29 | Basf Agro Trademarks Gmbh | Multi-device agricultural field treatment |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11465741B2 (en) * | 2018-10-03 | 2022-10-11 | Sarcos Corp. | Deployable aerial countermeasures for neutralizing and capturing target aerial vehicles |
-
2023
- 2023-11-14 CN CN202311513758.0A patent/CN117250994B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940734A (zh) * | 2017-04-24 | 2017-07-11 | 南京信息工程大学 | 一种迁飞昆虫空中监测识别方法及装置 |
| CA3144397A1 (en) * | 2019-07-19 | 2021-01-28 | Mark GORSKI | An unmanned aerial vehicle (uav)-based system for collecting and distributing animal data for monitoring |
| CN111252246A (zh) * | 2020-02-19 | 2020-06-09 | 刘顺字 | 一种基于无人机、固定摄像模块联用的大区域病虫害防治方法 |
| WO2022269078A1 (en) * | 2021-06-25 | 2022-12-29 | Basf Agro Trademarks Gmbh | Multi-device agricultural field treatment |
| CN113467514A (zh) * | 2021-07-22 | 2021-10-01 | 一飞智控(天津)科技有限公司 | 多无人机分布式控制系统、协同控制方法、介质、无人机编队 |
| CN114255262A (zh) * | 2021-12-15 | 2022-03-29 | 赣南师范大学 | 一种害虫消杀系统、方法、电子设备及存储介质 |
| CN114445467A (zh) * | 2021-12-21 | 2022-05-06 | 贵州大学 | 基于视觉的四旋翼无人机特定目标识别与追踪系统 |
| CN115016537A (zh) * | 2022-06-20 | 2022-09-06 | 中国人民解放军国防科技大学 | 一种seda场景下异构无人机配置与任务规划联合优化方法 |
| CN115272862A (zh) * | 2022-08-08 | 2022-11-01 | 大连理工大学人工智能大连研究院 | 一种基于音视协同的飞虫追踪识别方法与装置 |
Non-Patent Citations (6)
| Title |
|---|
| Fish Detection and Tracking in Pisciculture Environment using Deep Instance Segmentation;C.S. Arvind等;2019 IEEE Region 10 Conference （TENCON）;2019-12-12 * |
| 基于大数据分析技术的农作物种植决策模型研究;粟小娓;黑龙江粮食;第88-90页 * |
| 基于深度学习与无人机遥感的松材线虫病枯死树检测及定位;童泽京;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第02（2023）期);第C028-412页 * |
| 基于深度学习的目标识别和序列图像三维重建技术研究;刘力冉;中国优秀硕士学位论文全文数据库信息科技辑(第02(2020)期);第I138-1771页 * |
| 多无人机协同任务分配算法设计与实现;李华;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第07(2023)期);第C031-39页 * |
| 面向无人机群目标探测架构和关键技术研究进展;张小飞等;太赫兹科学与电子信息学报;第21卷(第4期);第539-554页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117250994A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117250994B (zh) | 基于无人机追踪昆虫迁飞轨迹的方法及系统 | |
| US8417035B2 (en) | Generating cohorts based on attributes of objects identified using video input | |
| ZA202300610B (en) | System and method for crop monitoring | |
| CN109409170B (zh) | 农作物的虫害识别方法和装置 | |
| CN110049121B (zh) | 一种基于增强现实技术的数据中心巡检系统 | |
| WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
| CN113312957A (zh) | 基于视频图像的脱岗识别方法、装置、设备及存储介质 | |
| CN115630967A (zh) | 一种农产品的智能溯源方法、装置、电子设备及存储介质 | |
| CN113592390A (zh) | 一种基于多传感器融合的仓储数字孪生的方法与系统 | |
| CN115187943A (zh) | 一种空地一体化植物生长状态智能感知系统及方法 | |
| CN111401190A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| Doan | An efficient system for real-time mobile smart device-based insect detection | |
| CN116686535B (zh) | 基于数据分析的无人驾驶收割机控制方法及系统 | |
| CN112528825A (zh) | 一种基于图像识别的车站乘客招援服务方法 | |
| CN117036947A (zh) | 基于图像识别的农险出险预警方法、装置、设备及介质 | |
| CN116563040A (zh) | 基于牲畜识别的农险查勘方法、装置、设备及存储介质 | |
| US20230196558A1 (en) | Medicine image recognition method, electronic device and readable storage medium | |
| CN114359781B (zh) | 一种云边协同自主学习的智能识别系统 | |
| CN114113487B (zh) | 一种挥发性有机物在线监测系统及方法 | |
| US20220392214A1 (en) | Scouting functionality emergence | |
| CN110415110B (zh) | 进度监测方法、进度监测装置和电子设备 | |
| US20210097394A1 (en) | Method and apparatus for compressing deep learning model | |
| CN112329596A (zh) | 目标物定损方法、装置、电子设备及计算机可读存储介质 | |
| CN110633702A (zh) | 基于无人机的线路检修费计算方法、服务器及存储介质 | |
| CN114239632B (zh) | 一种线棒材标签的识别方法、系统、电子设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |